| 目录 | 第4-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 研究现状与挑战 | 第9-11页 |
| 1.3 本文的主要工作和组织结构 | 第11-13页 |
| 第二章 相关工作和研究 | 第13-24页 |
| 2.1 序列模式和共同行为模式 | 第13-15页 |
| 2.1.1 序列模式挖掘 | 第13-14页 |
| 2.1.2 共同行为模式 | 第14-15页 |
| 2.2 异常检测及不平衡数据分类问题 | 第15-18页 |
| 2.2.1 异常检测 | 第15-17页 |
| 2.2.2 不平衡数据分类问题 | 第17-18页 |
| 2.3 基于图的聚类算法 | 第18-24页 |
| 2.3.1 图聚类方法 | 第18-22页 |
| 2.3.2 图的稀疏化 | 第22-24页 |
| 第三章 Day-by-Day数据集相似性度量 | 第24-31页 |
| 3.1 相似性定义 | 第24-25页 |
| 3.2 基于动态规划策略的相似性度量 | 第25-28页 |
| 3.3 相似性补偿函数的选择 | 第28-31页 |
| 第四章 Day-by-Day数据集上特异群组的挖掘 | 第31-39页 |
| 4.1 特异群组的挖掘 | 第31-32页 |
| 4.2 特异群组挖掘算法 | 第32-35页 |
| 4.3 图的稀疏化 | 第35-36页 |
| 4.4 实验结果及分析 | 第36-39页 |
| 4.4.1 实验环境及数据集 | 第37页 |
| 4.4.2 PGM,CBM和G-PGM算法对比 | 第37-38页 |
| 4.4.3 稀疏化算法的实验对比 | 第38-39页 |
| 第五章 Day-Day数据集上的聚类分析 | 第39-45页 |
| 5.1 Day-by-Day数据集上的聚类问题定义 | 第39-42页 |
| 5.2 Day-by-Day数据集上的聚类算法 | 第42-45页 |
| 5.2.1 Day-by-Day数据集聚类的基本算法 | 第42-43页 |
| 5.2.2 剪枝策略 | 第43-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 发表学术论文 | 第52-53页 |
